인공 지능과 머신 러닝은 반도체 제조만큼 경쟁력 있는 부문에서 혁신의 기반이 될 지렛대입니다.
최근 몇 년 동안 반도체를 포함하는 장치의 양이 증가하고 있습니다. 전통적으로 이러한 유형의 구성 요소를 수용하는 장치 외에도 반도체는 사물 인터넷 장치, 차량 등의 필수 요소가 되었습니다. 당연하게도 많은 자동차 제조업체는 올해 마이크로칩이 없어 생산량을 줄여야 했습니다.
이러한 상황은 생산 한계에 도달한 부문에 부담을 주고 있으므로 해결책을 모색해야 합니다. 그리고 그 해답은 인공 지능(AI)과 머신 러닝(ML)의 적용에 있습니다.
반도체 제조업체는 신제품을 더 빨리 시장에 출시하고 경쟁력을 유지하기 위해 개발 주기를 단축하기 위해 끊임없이 노력하고 있습니다. 그러나 구조가 축소됨에 따라 비용이 급격히 증가하기 때문에 혁신은 리소스 집약적입니다.
McKinsey 전문가에 따르면 칩 개발을 위한 R&D 비용은 65나노 노드의 경우 2,800만 달러에서 5나노 노드의 경우 약 5억 4,000만 달러로 증가했습니다. 또한 동일한 노드에 대한 구축 비용이 4억 달러에서 54억 달러로 증가했습니다.
따라서 반도체 산업은 연구, 칩 설계 및 제조에서 생산성을 높여야 하며 이미 AI와 ML에 무게를 두고 있습니다. 컨설팅 회사의 연구에 따르면 반도체 제조업체의 이익에 대한 이러한 기술의 기여도는 연간 50억~80억 유로입니다.
이는 상당한 수치이지만 McKinsey는 AI와 ML이 이 산업에서 가질 수 있는 총 잠재력의 10%에 불과하다고 믿습니다. 이 기술은 회계 연도 2~3년 안에 연간 350억~400억 달러를 창출할 수 있다고 추정합니다. 그리고 장기적으로 그 수치는 연간 850억~950억 달러로 증가할 수 있습니다.
이 수치는 현재 연간 약 5,000억 달러에 달하는 업계 현재 수익의 약 20%이며 2019년 자본 지출인 1,100억 달러와 거의 같습니다.
컨설팅 회사는 AI와 ML이 전체 반도체 산업 가치 사슬에 걸쳐 응용 프로그램이 있다고 명시하지만 가장 큰 영향은 제조에 있습니다. 예를 들어, 이러한 기술은 칩 에칭 정확도를 개선하고 타이밍을 최적화하여 수율을 개선하고 잠재적인 오류를 방지합니다. 또한 웨이퍼의 육안 검사에 도움을 주어 생산 공정의 결함을 감지하여 최종 제품의 품질을 보장합니다.
칩 설계 및 검증 자동화의 결과로 R&D 프로세스에서 AI 및 ML 사용도 강조될 것입니다. 고장 패턴의 식별을 기반으로 알고리즘은 새 구성 요소의 구조를 기존 설계와 비교할 수 있어 문제를 찾고 설계를 최적화하는 데 도움이 됩니다.
이러한 기술은 제조 이외의 공정을 개선하는 데도 도움이 될 것입니다. 예를 들어, 시장 수요의 변화에 대한 예측을 보다 정확하게 조정하거나 재고 및 운영 계획, 구매 및 제조를 최적화하는 데 사용됩니다.
